The National Trauma Registry as a Canadian Spine Trauma Database: A Validation Study Using an Institutional Clinical Database
Notice bibliographique
Résumé
BACKGROUND: Miscoding is a common source of error in population-based registries. Given this, we performed a validation study comparing the Canadian National Trauma Registry (NTR) data based on the 10th Revision of the International Classification of Diseases coding with clinical data from an institutional database. METHODS: All patients with acute spine trauma who were admitted to Toronto Western Hospital from May 2003 to April 2007 were included. Accuracy, sensitivity and specificity were estimated having chart data abstraction as the gold standard. RESULTS: There were 92 patients with spine trauma (50 males, 42 females; ages from 16 to 102 years). The use of the NTR as a spine trauma database has an accuracy of 87%, sensitivity of 89.8% and specificity of 25%. If the same database is considered as a spinal cord injury (complete motor injury) database, there will be a decrease in the precision with an accuracy of 32.6%, sensitivity of 81.3% and specificity of 6.7%. CONCLUSIONS: Our results indicate that the NTR may be relatively more precise when used as a database of spine trauma in comparison with its use as a spinal cord injury database. However, the low specificity suggests that the NTR should be comprehensively validated using data from the other institutions that contribute with data collection for the NTR.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,067 | 0,169 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,005 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».